利用Hog特征和SVM分类器进行行人检测

最新推荐文章于 2025-10-24 18:29:40 发布
原创 最新推荐文章于 2025-10-24 18:29:40 发布 · 10w+ 阅读 · 328 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#training #float #vector #null #算法 #string

本文详细介绍了如何利用Hog特征和SVM分类器进行行人检测，包括训练样本的准备、裁剪、特征提取、样本标签赋值、SVM训练以及最终的分类器保存和应用。这一方法源于Navneet Dalal和Bill Triggs的研究，成为OpenCV中行人检测的标准算法。为了得到更好的检测效果，文章强调了大量多样化的训练样本的重要性，并提供了训练流程和参考代码。

        之前介绍过Hog特征(http://blog.youkuaiyun.com/carson2005/article/details/7782726)，也介绍过SVM分类器（http://blog.youkuaiyun.com/carson2005/article/details/6453502 ）；而本文的目的在于介绍利用Hog特征和SVM分类器来进行行人检测。

        在2005年CVPR上，来自法国的研究人员Navneet Dalal 和Bill Triggs提出利用Hog进行特征提取，利用线性SVM作为分类器，从而实现行人检测。而这两位也通过大量的测试发现，Hog+SVM是速度和效果综合平衡性能较好的一种行人检测方法。后来，虽然很多研究人员也提出了很多改进的行人检测算法，但基本都以该算法为基础框架。因此，Hog+SVM也成为一个里程表式的算法被写入到OpenCV中。在OpenCV2.0之后的版本，都有Hog特征描述算子的API，而至于SVM，早在OpenCV1.0版本就已经集成进去了；OpenCV虽然提供了Hog和SVM的API，也提供了行人检测的sample，遗憾的是，

最低0.47元/天 解锁文章
HOG+SVM实现行人检测
qq_46475176的博客
07-08 1082
import cv2import numpy as npdef is_inside(o, i): ''' 判断矩形o是不是在i矩形中 args: o：矩形o (x,y,w,h) i：矩形i (x,y,w,h) ''' ox, oy, ow, oh = o ix, iy, iw, ih = i return ox > ix and oy > iy and ox + ow < ix + iw and oy + oh < iy + ihde
目标检测（五）基于SVM的目标分类
qq_40959462的博客
06-12 3917
支持向量机（support vector machines, SVM）是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM 还包括核技巧，这使它成为实质上的非线性分类器。SVM 的的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM 的的学习算法就是求解凸二次规划的最优化算法。...
Hog+svm行人检测
11-01 5900
（1）第一个工程是用来训练分类器和检测正样本检测率的 // PeopleDetectHog.cpp : 定义控制台应用程序的入口点。 // #include "stdafx.h" #include #include #include #include "cv.h" #include "highgui.h" #include "stdafx.h" #include
opencv学习笔记6：SVM分类器
zhang_si_hang的博客
10-24 991
SVM（Support Vector Machine，支持向量机）本质上是一种 "找最佳分割线" 的算法，目的是把不同类别的数据分开。你有一堆红苹果和绿苹果（两种数据）你想画一条线，把红苹果和绿苹果完全分开SVM 的作用就是帮你找到这条 "最好" 的线在二维平面（比如一张纸）上，就是一条直线在三维空间（比如一个盒子）里，就是一个平面用来分隔不同类数据的边界红苹果中离这条线最近的那个苹果绿苹果中离这条线最近的那个苹果这两个苹果就是 "支持向量"，它们决定了这条线的位置。
OpenCV HOG+SVM行人检测
weixin_40277254的博客
01-14 1378
方向梯度直方图(Histogram of Oriented Gradient, HOG)是一种常见的特征提取算法，基本思想是统计图像局部区域的梯度方向信息作为该局部图像区域的表征。HOG特征提取+SVM训练，在行人检测中获得了极大成功。该方法是法国研究人员Dalal在2005的CVPR上提出的，如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。 HOG特征提取的流程如下：...
hog+svm行人检测
城中漫步者的专栏
06-06 1084
进入HOGDescriptor所在的头文件，其构造函数主要包括winSize(64,128),blockSize(16,16), blockStride(8,8),cellSize(8,8),nbins(9)等参数。其各自的含义可解释如下： 检测窗口的大小：winSize 块的大小：blockSize cell的大小：cellSize 梯度方向数：nbins nBins表示在
基于MATLAB的HOG特征与SVM分类器行人检测方法
07-21
本项目集中于利用MATLAB的编程能力，通过结合HOG特征提取方法和SVM分类器，开发出一套行人检测系统。 HOG，即Histogram of Oriented Gradient，方向梯度直方图，是一种用于物体检测的特征描述符。它通过计算图像...
基于HOG特征与SVM分类器的行人检测系统实现
最新发布
11-23
随后进行特征提取与分类器训练，采用多尺度滑动窗口检测机制；继而执行难例挖掘算法以优化分类边界；最终生成高精度检测模型。系统在INRIA标准数据集上的检测准确率达到89.7%，召回率维持在92.3%。所有代码均通过...
基于 HOG 特征与 SVM 分类器的计算机视觉行人检测实验
08-20
基于HOG特征与SVM分类器的计算机视觉行人检测实验是一项应用了机器学习和图像处理技术的研究。该实验的目的是通过结合HOG（Histogram of Oriented Gradients，方向梯度直方图）特征提取技术和SVM（Support Vector ...
精选资源
使用MATLAB语言_利用HOG特征和svm分类器来实现行人的检测_matlab
04-01
资源名：使用MATLAB语言_利用HOG特征和svm分类器来实现行人的检测_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者...
基于HOG和SVM的行人检测
01-26
用C++和opencv，实现基于HOG和SVM的行人检测，注释完整
HOG_SVM的行人检测
04-22
基于HOG和SVM的行人检测 matlab平台
HOG+SVM行人检测
热门推荐
hongbin_xu的博客
04-07 3万+
前言 在前面的博客：HOG特征检测学习笔记中，介绍了HOG特征，也附有代码实现。这篇博客中将会使用HOG+SVM这一经典的目标检测算法来进行行人检测，但是不会讨论HOG或者SVM的理论部分，如果有不懂的请自行查阅以前的博客。我分别写了python版本和C++版本的demo，数据集是直接下载了别人的，这些都会附在文章的最后。 网上也有很多介绍HOG的不错的文章： HOG+SVM行人检测的...
Hog+SVM行人检测
陨星落云的博客
03-22 504
# -*- coding: utf-8 -*- """ Created on Sun Mar 22 16:17:14 2020 @author: 陨星落云 """ import cv2 img = cv2.imread("people-brasil-guys-avpaulista-109919.jpg") cv2.namedWindow('input',cv2.WINDOW_...
OpenCV的HOG+SVM训练程序注意事项
梦想腾飞
12-04 1万+
使用OpenCV进行分类训练的时候，注意（1）必须使用线性核函数，HOGDescriptor只支持线性核函数检测（2）保存文件的时候注意要将alpha*supportvector的负数形式
8、SVM实战——HOG+SVM行人检测
m0_56642803的博客
11-23 1146
本文介绍了SVM经典实战——HOG+SVM行人检测项目，从视觉四大任务、HOG算法、HOG+SVM实现流程和图像画框四部分进行介绍。
【机器学习】基于HOG+SVM的行人检测
weixin_58053154的博客
11-23 1166
【机器学习】基于HOG+SVM的行人检测
【机器学习】HOG+SVM实现行人检测
qaqwqaqwq的博客
05-01 8844
HOG的全称是方向梯度直方图（Histogram of Oriented Gradient），它是计算机视觉中用于物体检测的一种特征描述子（Feature Descriptor）。特征描述子的作用是提取有用的信息，抛弃冗余的信息。对于一个物体而言，能够区分它的特征的往往是它的形状——也就是它的边界。而在边界处灰度一般有突变，所以我们考察图像的梯度就可以知道边界在什么地方。现在我们把一个图片利用HOG特征转化成了一个向量，接下来就可以利用SVM分类了。
基于HOG特征和SVM分类器的行人检测算法
03-23
### 基于HOG特征与SVM分类器的行人检测算法 #### 理论基础 方向梯度直方图（Histogram of Oriented Gradient, HOG）是一种常用的特征描述符，在计算机视觉领域被广泛应用于目标检测任务中。其核心思想是通过计算和统计图像局部区域的方向梯度直方图来构建特征向量[^1]。这些特征能够很好地捕捉到边缘信息以及形状轮廓，因此非常适合用于区分背景和其他对象。 支持向量机（Support Vector Machine, SVM）则是一种监督学习模型，擅长解决二分类问题。当结合HOG特征时，SVM可以高效地区分行人与其他非行人物体[^2]。 --- #### 实现流程 以下是基于HOG特征和SVM分类器实现行人检测的主要过程： 1. **提取HOG特征** 使用OpenCV库中的`cv2.HOGDescriptor()`类创建一个HOG描述符实例，并设置默认的人体检测参数。 ```python import cv2 hog = cv2.HOGDescriptor() hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector()) ``` 上述代码初始化了一个预训练好的HOG描述符，默认加载了针对人体检测优化过的SVM权重矩阵[^3]。 2. **应用多尺度滑动窗口检测** 利用`hog.detectMultiScale()`方法执行多尺度滑动窗口扫描，从而定位可能存在的行人位置及其大小。 ```python image = cv2.imread('path_to_image.jpg') gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) rects, weights = hog.detectMultiScale(gray, winStride=(4, 4), padding=(8, 8), scale=1.05) ``` 参数解释如下： - `winStride`: 定义每次移动窗口的距离步长。 - `padding`: 设置边界填充像素数量。 - `scale`: 控制图像金字塔缩放比例因子。 3. **绘制检测框并过滤重叠区域** 需要对返回的结果进行进一步处理，比如去除冗余矩形框或者调整置信阈值筛选高质量候选区。 ```python for (x, y, w, h) in rects: cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2) cv2.imshow("Detected Pedestrians", image) cv2.waitKey(0) cv2.destroyAllWindows() ``` --- #### 关键技术点解析 - **HOG特征的作用** HOG特征通过对输入图片分块操作后分别统计各子区域内梯度幅值分布情况形成高维矢量表示形式，这种表达方式对于保持空间结构不变性具有重要意义。 - **SVM分类器的功能** 经过训练后的线性核函数型别的SVM能有效判别测试样本属于哪一类标签类别，即是否为人形物体。 - **性能调优建议** 可尝试调节`detectMultiScale`里的各项超参数值组合寻找最佳平衡点达到精度速度兼顾效果；另外还可以引入级联滤波机制减少误报率提升整体鲁棒性表现。 ---
评论 160
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值